开发者 AI 技能与智能体

Phi-4-multimodal-instruct

microsoft · 工具包

紧凑的 56 亿参数模型，接收文字、图像和音频并用文字回复，上下文 128K token。适合想用一个小模型同时处理语音、视觉和文字的开发者。

LongCat-AudioDiT-3.5B

meituan-longcat · 工具包

用直接在波形潜空间里工作的扩散模型，把中文或英文文本变成语音，还能用你有权使用的参考样本克隆声音。

Maya-1

maya-research · 工具包

一个开放权重的文字转语音模型，你用日常的话描述声音，并加入内嵌的情绪提示。适合需要有表现力、可设计声音的开发者和创作者。

SPEAR XLarge v2

marcoyang · 工具包

把 16 kHz 的语音和通用音频转成每帧 1280 个数字的特征，是约 6 亿参数的预训练 Zipformer 编码器。适合为语音识别或音频标注做微调的研究者。

Kandinsky S2V 1.0 Lite distilled

kandinskylab · 工具包

把一张参考图和一段语音变成头像视频，让整个人物随语音动起来。蒸馏版 Lite 只需 16 步，速度约为基础版的 5 倍。

LongCap-35B-A3B-FP8

JinchuanTian · 工具包

把最长约两小时的录音变成带起止时间的语音、音乐和声音事件时间线，也能转写语音并标出说话人。FP8 权重，适合单张 H100 80GB 显卡。

Ming-3.0-tts-tiny

inclusionAI · 工具包

inclusionAI 的多语言文字转语音模型，可根据短音频克隆声音，也能按描述设计声音，并控制情绪、语速和方言。推理需要它的 GitHub 项目。

phonon-31m English for llama.cpp

gradium · 工具包

在命令行或本地服务器上把英语文字转成语音，是 Phonon 31M 模型面向 llama.cpp 的 GGUF 版本。适合已经在用带 Phonon 支持的 llama.cpp 的开发者。

xkcd-artist

gnumanth · 工具包

通过规划场景、姿势和对话气泡，把文本提示词变成 XKCD 风格的漫画，输出 SVG 或 PNG。适合想从一个想法快速得到漫画分格的人。

FireRedVAD

FireRedTeam · 工具包

检测音频中的语音、歌声和音乐，提供流式和文件式语音活动检测以及音频事件检测。适合在转写前对音频做分段或清理的语音开发者。

Wav2Vec2-Base-960h

facebook · 工具包

把采样率为 16 kHz 的英语语音音频转成文字。这是在 960 小时 Librispeech 上微调过的 wav2vec 2.0 基础模型，适合需要转写基线的开发者和研究者。

ARK-ASR-3B

Edge0 · 工具包

用 Whisper 风格的音频编码器加 Qwen 解码器，把多种语言的语音转成文字。适合需要多语言转写的开发者和研究者，卡里给出了英文和中文的结果。

Distil-Whisper distil-large-v3

distil-whisper · 工具包

把英语语音转成文字，速度约为 Whisper large-v3 的 6.3 倍，长音频上的准确率仍很接近。适合需要转写录音的开发者和团队。

GLaDOS_TTS

DavesArmoury · 工具包

面向 NVIDIA NeMo 的 GLaDOS 文字转语音声音，附带转换成 Riva 文件并在 Jetson 上部署的步骤，适合在 NVIDIA 硬件上做语音项目的人。

Qwen3-ASR-1.7B GGUF

cstr · 工具包

用 Qwen3-ASR-1.7B 的量化 GGUF 文件，在 CrispASR 里把语音、歌声和歌曲转成文字或英文。适合想在本地转写 30 种语言和 22 种中文方言的人。

Anuvani-LID

CIIL · 工具包

识别音频片段里说的是印度 22 种官方语言还是印度英语，并给出校准过的分数。适合构建多语言语音流水线的开发者。

EMA Lightning

canberkkkkkk · 工具包

一个很小的土耳其语文字转语音模型，8.6M 参数，约 34 MB，可在 GPU 或 CPU 上离线运行，并能边生成边输出音频。适合需要土耳其语语音输出的开发者。

Ming 3.0 TTS 0.5B GGUF

audio-cpp · 工具包

为 audio.cpp 运行时打包的 Ming 3.0 TTS 0.5B GGUF：文字转语音、声音克隆和声音设计，支持七种语言，输出单声道 44.1 kHz，不需要 Python 运行环境。适合开发者。

DuplexJev-4B-Para

adventists-ai · 工具包

接收语音和文字，用文字作答，并判断说话的人是否已经说完。适合想要小型音频模型的语音智能体开发者，它还能识别情绪和重音。

VieGem-ASR

5CD-AI · 工具包

转写越南语以及越南语和英语混合的语音，可离线处理，也可按 0.48 秒的块流式处理，使用基于 Google EmbeddingGemma 2 音频编码器的 359M 参数模型。仅限非商业使用。